阿里巴巴数据技术及产品部-AI音乐家-杭州/北京
任职要求
1、作曲、音效制作、音乐工程、录音艺术相关专业，有3年以上音乐制作、编曲、配乐或混音实际经验，有成熟的商业作品（游戏、影视、广告或唱片等）。 2、懂乐理与声学：精通至少一款 DAW（如 Logic Pro, Cubase, Ableton Live 等），对曲风分类、乐器编配、和声学及混音声场有深刻理解，对音频瑕疵极其敏…
工作职责
1、能定义什么是“好听”：不管是流行、电音、影视配乐还是广告BGM，你对不同风格的品质有绝对标准。能把“听感高级”拆解成具体的参数（比如：“编曲层次太混”、“人声混响不对”、“和声推进不够逼真”）。 2、把“感觉”变成“标准”：把音乐人的直觉，写成量化的测试标准和评测表。用极其精准的音乐语言（曲风、BPM、配器、调性、声场）写提示词，逼出AI音乐模型的极限。 3、对声音敏感：听AI生成的音频，能瞬间抓出破绽，比如：“这里混音爆音了”、“人声发音有AI电音感”、“鼓点和贝斯相位冲突了”、“和弦走向不合乐理”。 4、能帮AI准确“下诊断”：出来的音频不好听，能分清到底是你 Prompt 没写对（比如缺少乐器描述），还是模型底层对声学/乐理的理解崩了（比如不会处理转调、副歌推进太干），并反馈给算法组改进。 5、了解场景适配：知道不同商业场景（游戏BGM、短视频卡点、品牌广告配乐）需要什么样结构的音乐；
1、制定音乐级多维度标注标准：面向音乐生成、歌曲续写、伴奏生成及音乐理解等多模态大模型，制定涵盖曲风流派（如Rap、Jazz、Electronic、Pop）、音乐情绪、速度（BPM）、调性（Key）、拍号等维度的复合标注规范。 2、主导高质量音乐样本的深度标注，包含精细化的音乐结构切分（如前奏、主歌、副歌、桥段、间奏）、歌词与旋律的精准对齐，以及针对 Rap 方向的 Flow 节奏类型、押韵技巧等专业属性的定义与标注。 3、负责对供应商交付的数据进行极其严格的质检与复审。对音频分段、人声与伴奏分离（Spleeter/Demucs等工业分离效果）、乐器种类标签、节奏打点（Beat/Downbeat Tracking）的准确率进行全方位把控，杜绝常识性乐理错误。 4、联动产品与技术团队，优化音乐专属标注工具（如波形图、频谱图、多轨联动交互界面），引入自动化预标注（如AI打点、预分类），在降低听觉疲劳的同时大幅提升音乐资产的生产人效。
1.构建C端AI助手（如千问、悟空、QoderWork）的产品评测体系：围绕对话式AI助手的核心体验，从真实用户场景出发，设计评测维度、构建高质量评测集与评分标准，确保评测结果能真实反映产品的市场竞争力与用户体感。 2.驱动评测体系的产品化与平台化：负责将评测所需要的场景用例、评测流程与结果洞察封装，线上维护评测结果、对比与可视化看板，降低产品与算法团队的评测门槛，支撑快速迭代。 3.Agent与工具调用评测环境搭建：针对AI助手中的搜索联网、插件调用与Agent规划能力，搭建端到端的仿真运行环境与MCP工具层，实现外部工具接口的标准化注册、调用链路追踪与结果校验，确保多步骤任务评测的可复现性。 4.评测Benchmark建设：接入并适配主流开源评测集，同时持续挖掘用户真实Bad Case，沉淀并构建符合国内C端用户习惯的专属业务评测数据集，完成数据解析与评分逻辑对齐。 5.跨团队协同与体验闭环：作为评测体验专家，与产品经理、算法研究团队紧密协作，将产品侧的体验诉求转化为可量化的工程评测方案，并通过评测数据反哺产品迭代方向，以打造最受欢迎的AI应用为目标。
1、参与集团级AI数据引擎：负责多模态数据（文本、音频、图像、视频）的采集、清洗、处理、治理与资产化管理，打造可复用、可观测、可解释的 EB 级数据体系，支撑大模型训练与推理的高质量数据供给； 2、多模态数据智能化处理：主导音频/视频/图像等模态的自动理解、标签体系构建、语义特征抽取、质量建模与自动化治理；设计并训练分类、识别、预测等多模态模型； 3、AI Native数据Pipeline建设：使用LLM+Agent框架构建智能数据Pipeline，实现数据分渠道过滤、去重、质量诊断、调度编排和异常告警等环节的自动化，显著降低人力成本； 4、数据&模型闭环迭代：基于评测反馈的短板，设计对应的专项数据集，并在训练过程中构建可观测指标，量化数据对模型能力提升的贡献，动态更新数据集，实现数据 → 模型 → 评测 → 数据的循环优化； 5、数据资产治理：负责元数据、数据血缘、分类分级、质量评分、数据标准、价值评估等治理框架的设计与落地，推动数据资产的可视化与可运营化，让数据可管理、可复用、可增长； 6、与模型团队协作，参与训练数据构造、数据反哺、短板挖掘和评测闭环建设，通过数据驱动模型能力提升，成为AI模型训练的数据核心驱动力；
1、参与集团级AI数据引擎：负责多模态数据（文本、音频、图像、视频）的采集、清洗、处理、治理与资产化管理，打造可复用、可观测、可解释的 EB 级数据体系，支撑大模型训练与推理的高质量数据供给； 2、多模态数据智能化处理：主导音频/视频/图像等模态的自动理解、标签体系构建、语义特征抽取、质量建模与自动化治理；设计并训练分类、识别、预测等多模态模型； 3、AI Native数据Pipeline建设：使用LLM+Agent框架构建智能数据Pipeline，实现数据分渠道过滤、去重、质量诊断、调度编排和异常告警等环节的自动化，显著降低人力成本； 4、数据&模型闭环迭代：基于评测反馈的短板，设计对应的专项数据集，并在训练过程中构建可观测指标，量化数据对模型能力提升的贡献，动态更新数据集，实现数据 → 模型 → 评测 → 数据的循环优化； 5、数据资产治理：负责元数据、数据血缘、分类分级、质量评分、数据标准、价值评估等治理框架的设计与落地，推动数据资产的可视化与可运营化，让数据可管理、可复用、可增长； 6、算法与工程一体化协作：与模型团队协作，参与训练数据构造、数据反哺、短板挖掘和评测闭环建设，通过数据驱动模型能力提升，成为AI模型训练的数据核心驱动力；